Финансовые компании активно используют потоки данных и комплексную IT-инфраструктуру и работают в постоянно меняющейся регуляторной среде, поэтому инновации по управлению данными с помощью ИИ для них будут наиболее востребованы. Однако в этой связи возможны определенные риски, которыми необходимо управлять. Ниже приведены примеры областей применения, где будут полезны подобные разработки
- Гиперперсонализация в маркетинге и клиентском опыте. Благодаря альтернативным данным машинное обучение может прогнозировать поведение клиентов и повышать конверсию. Сообщения клиентам могут быть составлены индивидуально в зависимости от профиля личности, убеждений/веры, политических взглядов, покупательского поведения и предпочитаемого вида коммуникации. Эти сообщения будут восприниматься как написанные человеком.
- Более эффективные и соответствующие требованиям практики взыскания долгов. Модели обработки естественного языка (NLP — Natural Language Processing) обеспечат более эффективную коммуникацию с неплательщиками по займам, позволят снизить количество ошибок, жалоб и судебных исков. ИИ будет анализировать взаимодействия с клиентом, отмечать разговоры, по которым предстоит принять действия, и позволит коллекторам действовать максимально эффективно и корректно.
- Улучшенные процессы оценки платежеспособности заемщика, выдачи кредита и риск-менеджмента. Использование машинного обучения и нейросети снизит уровень убыточности. Модели прогнозирования позволят произвести скоринг в режиме реального времени и оценить вероятность повышенной кредитной нагрузки. NLP будет использован для подготовки необходимых документов, что ускорит процесс выдачи кредита и даст возможностькредитору вложить капитал быстрее и эффективнее.
- В высокой степени персонализированные и доступные финансовые консультации. Соблюдая интересы организации, ИИ будет осуществлять мониторинг клиентов, рекомендовать инвестиции, проводить сделки и составлять финансовые планы на основании индивидуальных обстоятельств/предпочтений.
- Внедрение автоматизированных B2B-платежей.Инструменты ИИ ускорят проведение платежей B2B благодаря усовершенствованной процедуре сверки, при которой платежи автоматически сравниваются с выставленными счетами, тем самым сокращается число процессов, проводимых вручную.
- Модернизация и расширение инфраструктуры. Возможности ИИ в кодировании ускорят процессы цифровой трансформации в банках, включая оптимизацию работы дата-центров и миграцию приложений в публичные и частные облака, что поможет снизить затраты. No-code-разработчики будут создавать сложное программное обеспечение, используя повседневный язык.
- Защита от фрода. Состязательное машинное обучение (тип генеративного ИИ, который представляет собой тренировку двух моделей ИИ друг на друге) будет использовано, чтобы улучшать процесс выявления мошенничества и принимать действия по борьбе с ним.
- Регуляторная отчетность (и другие практики управленческой деятельности). ИИ позволит неспециалистам составлять отчеты (управленческие и регуляторные), включающие в себя вопросы, которые до недавнего времени были в зоне ответственности экспертов. ИИ также практически нивелирует затраты времени на анализ рынка, анализ данных, распознавание образов и другие процедуры, производимые вручную.
- Усиленная защита персональных данных. Генеративный ИИ будет использован для создания синтетического набора данных, близкого к реальным данным, в целях соблюдения регуляторных норм по конфиденциальности. Вместо использования клиентских данных, которые не могут быть разглашены в соответствии с законами/нормами, будут созданы иные, подходящие для общего доступа.
Необходимо управлять связанными с ИИ рисками, в результате чего его внедрение может происходить медленнее, чем ожидалось. Финансовым организациям нужно будет следить за возможными программными ошибками, уязвимостью к кибератакам, предвзятостью, вопросами юридической ответственности за решения ИИ и недостаточным отслеживанием (среди прочих рисков) рисков в области ИИ.
Источник: блог Криса Скиннера